論文の概要: SYNAPSE: Neuro-Symbolic Visual Thought-to-Text Decoding via Topological Semantic Denoising

• arxiv url: http://arxiv.org/abs/2605.27790v1
• Date: Wed, 27 May 2026 00:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.619983
• Title: SYNAPSE: Neuro-Symbolic Visual Thought-to-Text Decoding via Topological Semantic Denoising
• Title（参考訳）: SynAPSE: トポロジカルセマンティック・デノイングによるニューロシンボリックな視覚的思考とテキストのデコード
• Authors: Akshaj Murhekar, Abhijit Mishra,
• Abstract要約: 我々は,推論時記号正規化によるニューラルテキスト生成を安定化するニューラルシンボリックフレームワークであるSynAPSEを紹介する。 脳波に基づくセマンティック候補をコモンセンスグラフ構造と潜在例を用いて浄化することにより、SynAPSEはエンド・ツー・エンドのLCM微調整なしでセマンティック安定性を向上させる。
• 参考スコア（独自算出の注目度）: 5.012293526456192
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances in large language models have accelerated open-vocabulary EEG-to-imagined-text decoding, where non-invasive neural activity recorded during visual perception is translated into coherent natural language descriptions of viewed stimuli. However, existing systems remain highly vulnerable to biological noise, where corrupted neural projections induce hallucinated or semantically unstable generation in frozen language models. We introduce SYNAPSE (Symbolic Neural Alignment for Precise Semantic Extraction), a lightweight neuro-symbolic framework that stabilizes neural text generation through inference-time symbolic regularization. By purifying EEG-derived semantic candidates using commonsense graph structure and latent exemplars, SYNAPSE improves semantic stability without end-to-end LLM fine-tuning. Experiments across popular EEG decoding benchmarks and multiple frozen LLM backends demonstrate consistent gains over unconstrained prompting baselines, robustness under object-label ablation, and performance commensurate with substantially more resource-intensive fine-tuned systems, while preserving biometric privacy by localizing raw EEG processing entirely within the encoder stack.
• Abstract（参考訳）: 大規模言語モデルの最近の進歩は、視覚知覚中に記録された非侵襲的な神経活動が、観察された刺激のコヒーレントな自然言語記述に変換される、オープンボキャブラリEEG-to-imagined-text decodingを加速させてきた。 しかし、既存のシステムは、破壊された神経投射が凍結した言語モデルにおいて幻覚的または意味的に不安定な生成を誘導する生物学的ノイズに非常に弱いままである。 我々は、推論時記号正規化によるニューラルネットワーク生成を安定化する軽量なニューラルシンボリック・シンボリック・シンボリック・シンボリック・シンボリック・シンボリック・シンボリック・シンボリック・アライメント(Symbolic Neural Alignment for Precise Semantic extract)を紹介する。 脳波に基づくセマンティック候補をコモンセンスグラフ構造と潜在例を用いて浄化することにより、SynAPSEはエンド・ツー・エンドのLCM微調整なしでセマンティック安定性を向上させる。 一般的なEEGデコードベンチマークと複数の凍結LDMバックエンドでの実験では、制約のないプロンプト、オブジェクトラベルのアブレーション下での堅牢性、パフォーマンスは、よりリソース集約的な微調整システムと相容れない一方で、生のEEG処理をエンコーダスタックに完全にローカライズすることで、バイオメトリックのプライバシを保存する。

関連論文リスト

• SynMind: Reducing Semantic Hallucination in fMRI-Based Image Reconstruction [52.34513874272676]
  既存の手法は、明示的な意味的アイデンティティよりも、絡み合った視覚的埋め込みに強く依存している、と我々は主張する。 我々はfMRI信号を、人間の視覚理解の階層的・構成的性質を反映したリッチで文レベルの意味記述に解析する。 そこで我々は,これらの明示的なセマンティックエンコーディングを視覚的プリエンプションと統合したフレームワークであるSynMindを提案する。
  論文  参考訳（メタデータ） (2026-01-25T14:31:23Z)
• Brain-Gen: Towards Interpreting Neural Signals for Stimulus Reconstruction Using Transformers and Latent Diffusion Models [1.479639149658596]
  脳波記録から観察された視覚刺激に関連する空間的時間的表現を抽出する枠組みを提案する。 我々の研究は、脳波信号の一般化可能な意味解釈に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2025-12-21T18:20:21Z)
• Temporal-Aware Iterative Speech Model for Dementia Detection [0.0]
  音声を用いた認知症自動検出の現在の手法は,静的,時間に依存しない特徴や集約された言語コンテンツに依存している。 本稿では,認知症検出のための自然発話を動的にモデル化するテンポラル・アウェア・イテレーティブ・フレームワークであるTAI-Speechを紹介する。 私たちの研究は、より柔軟で堅牢な認知評価ソリューションを提供し、生のオーディオのダイナミクスを直接操作します。
  論文  参考訳（メタデータ） (2025-09-26T01:56:07Z)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• Neuro2Semantic: A Transfer Learning Framework for Semantic Reconstruction of Continuous Language from Human Intracranial EEG [11.531598524209969]
  頭蓋内脳波(iEEG)記録から知覚音声の意味内容を再構築する新しい枠組みであるNeuro2Semanticを紹介する。 まず、LSTMベースのアダプタが、トレーニング済みのテキスト埋め込みとニューラルネットワークをアライメントし、次に、修正モジュールがこれらのアライメントされた埋め込みから直接、連続した自然なテキストを生成する。 Neuro2Semanticは、30分以内のニューラルデータで強力なパフォーマンスを達成し、ローデータ設定における最新の最先端メソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-05-31T04:17:19Z)
• Learning Interpretable Representations Leads to Semantically Faithful EEG-to-Text Generation [52.51005875755718]
  我々は脳波からテキストへの復号に焦点をあて、後部崩壊のレンズを通して幻覚の問題に対処する。 脳波とテキスト間の情報容量のミスマッチを認め、デコードタスクをコア意味のセマンティックな要約として再設計する。 パブリックなZuCoデータセットの実験では、GLIMが一貫して、流動的なEEG基底文を生成することが示されている。
  論文  参考訳（メタデータ） (2025-05-21T05:29:55Z)
• sEEG-based Encoding for Sentence Retrieval: A Contrastive Learning Approach to Brain-Language Alignment [8.466223794246261]
  本稿では,凍結したCLIPモデルの文埋め込み空間に単射ステレオ脳波信号(sEEG)を投影するコントラスト学習フレームワークであるSSENSEを提案する。 本手法は,自然主義映画視聴データセットから,時系列のsEEGと音声の書き起こしについて評価する。
  論文  参考訳（メタデータ） (2025-04-20T03:01:42Z)
• Surrogate Gradient Spiking Neural Networks as Encoders for Large Vocabulary Continuous Speech Recognition [91.39701446828144]
  スパイクニューラルネットワークは, 代理勾配法を用いて, 通常のリカレントニューラルネットワークのように訓練可能であることを示す。 彼らは音声コマンド認識タスクについて有望な結果を示した。 繰り返し発生する非スパイキングとは対照的に、ゲートを使わずに爆発する勾配問題に対して堅牢性を示す。
  論文  参考訳（メタデータ） (2022-12-01T12:36:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。